跳到主要內容

臺灣博碩士論文加值系統

(44.222.104.206) 您好!臺灣時間:2024/05/23 17:38
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:林冠仲
研究生(外文):Kuan-Chung Lin
論文名稱:比較羅吉斯回歸、決策樹、類神經網路預測崩塌潛感之成果
論文名稱(外文):Comparisons of Logistic Regression, Decision Tree and Neural Network in Predicting Landslide Susceptibility
指導教授:蕭宇伸蕭宇伸引用關係
指導教授(外文):Yu-Shen Hsiao
口試委員:郭重言吳俊毅李宜珊
口試委員(外文):Chung-Yen KuoChun-Yi WuYi-Shan Li
口試日期:2021-06-30
學位類別:碩士
校院名稱:國立中興大學
系所名稱:水土保持學系所
學門:農業科學學門
學類:水土保持學類
論文種類:學術論文
論文出版年:2021
畢業學年度:109
語文別:中文
論文頁數:94
中文關鍵詞:山崩潛勢分析SAS羅吉斯回歸決策樹類神經網路
外文關鍵詞:Landslide susceptibilitySASLogistic regressionDecision treeNeural network
相關次數:
  • 被引用被引用:0
  • 點閱點閱:183
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
台灣土地中屬山坡地範圍內之部分涵蓋台灣總面積幾近四分之三, 比率高達73 %,且地質狀況複雜、河流長度短且坡陡流急,隨著氣候變遷的影響造成極端氣候肆虐,導致山區崩塌事件頻傳,因此為提供崩塌更進一步的預警與防災目的,本研究將研究區域分為訓練區與測試區,訓練區位於陳有蘭溪上游南投縣信義鄉神木村附近範圍約58平方公里,測試區位於較下游處約100平方公里之區域,選用目前該領域相對常用之資料探勘工具:羅吉斯回歸、類神經網路、決策樹建構預測模型進行崩塌潛感分析,決策樹為類似樹狀圖形之決策工具;羅吉斯迴歸為對數機率模型;類神經網路為模仿生物神經網路的結構和功能的數學模型。用於預測崩塌潛感之影響因子包括地形因子、地質因子、區位因子等。最後以SAS統計軟體所附之羅吉斯回歸、決策樹、類神經網路等方法進行研究區域之崩塌潛感分析,並評估三種方法之準確性。藉由本研究,可全面了解三種方法於台灣預測山坡地崩塌潛感之優劣,提供水土保持領域之重要參考。
經過測試發現過度抽樣對於訓練模型影響有限,決策樹之訓練成果最佳,其次為相差不多之類神經網路,最後為羅吉斯回歸,測試後則發現羅吉斯回歸最不受過度抽樣影響,類神經網路之AUC值會隨樣本比例增加而下降,決策樹之預測成果最不穩定,可能產生過度擬合的現象,並發現過度抽樣對各模型預測之準確度、敏感度、特異度皆有顯著之影響,當樣本比例為10%時類神經網路測試後AUC值達到最高0.763,且於崩塌潛感圖上觀察可發現,類神經網路之分類視覺上之鑑別度最高,其次為羅吉斯回歸,決策樹呈現最為粗略,三種預測模型AUC值皆位於0.7至0.8之間,屬於普通分類能力之分類器。
摘要 i
Abstract ii
目錄 iv
表目錄 vi
圖目錄 viii
第一章 緒論 1
1.1 前言 1
1.2 研究流程 2
第二章 文獻回顧 3
2.1 資料探勘的定義與內涵 3
2.2 崩塌潛感的定義與內涵 4
2.3 崩塌潛感相關評估模式 5
2.4 崩塌潛感分析之相關研究 7
2.5 分析單元 12
2.6 分析因子 15
第三章 研究方法 17
3.1 資料分析架構 17
3.2 羅吉斯回歸 18
3.3 類神經網路 19
3.4 決策樹 23
3.5 過度抽樣 27
3.6 SAS 28
3.7 成果評估 29
第四章 研究區域與資料 32
4.1 研究區域 32
4.2 選定因子 34
4.3 研究資料 35
4.4 選取分析樣本與資料前處理 40
第五章 結果與討論 45
5.1 訓練區崩塌潛感圖 46
5.2 測試區崩塌潛感圖 52
5.3 綜合討論 58
第六章 結論與建議 87
6.1 結論 87
6.2 研究限制與建議 88
參考文獻 90
1.吳俊鋐、陳樹群(2004)。「崩塌潛勢預測方法於台灣適用性之初探」,中華水土保持學報,第36卷,第4期。
2.鄒明城、孫志鴻(2004)。「資料探勘技術在集集大地震引致山崩之研究」,地理學報,第36卷。
3.張崑宗、劉進金(2006)。「利用類神經網路方法於高解析衛星影像及地形資料之崩塌地判識-以九份二山為例」,航測及遙測學刊,第11卷,第2期。
4.盧瑜芬(2006)。「使用三種資料探勘演算法-類神經網路、羅吉斯迴歸及決策樹-預測乳癌患者存活情形之效能比較」,國防醫學院公共衛生學研究所學位論文。
5.龍劭琪(2007)。「財務危機預警模式之研究-決策樹、類神經網路與羅吉斯迴歸之比較」,明新科技大學企業管理研究所。
6.張語恬、朱基銘、簡戊鑑、周雨青、楊燦、盧瑜芬、白健佑、白璐、Thomas Wetter、孫建安、羅慶徽 (2007)。「比較三種資料探勘演算法預測子宮頸癌五年存活的外部通用性效能」,台灣家庭醫學雜誌,第17卷,第4期。
7.何德威(2009)。「三種資料探勘法及羅吉斯迴歸預測效能和預測因子之比較-以肝切除手術肝癌患者長期預後為例」,高雄醫學大學醫務管理學研究所學位論文。
8.陳盈秀(2010)。「基因演算法自動演化類神經網路應用於衛星影像判釋與土砂災害評估模式之建置」,長榮大學土地管理與開發研究所學位論文。
9.林岑彧(2010)。「結合遙測影像與GIS資料以資料挖掘 技術進行崩塌地辨識-以石門水庫集水區為例」,中央大學土木工程學系學為論文。
10.蔡光榮、謝正倫、周士傑、曾皇銘、陳昆廷(2010)。「類神經網路分析法應用於高雄壽山坡地社區邊坡崩塌潛感區之劃定」,臺灣鑛業, 第62卷,第3期。
11.謝文棟(2011)。「證據權重法與模糊羅吉在山崩潛感分析之研究與比較:以荖濃溪為例」,成功大學地球科學系學位論文。
12.林俐玲、林可薇、陳品岡、沈哲緯(2011)。「斜坡單元進行山坡地土壤流失量之推估,水土保持學報,第43卷,第4期。
13.李嶸泰、莊嘉琪、詹勳全、廖佩妤、洪雨柔(2012)。「應用羅吉斯迴歸法進行阿里山地區山崩潛勢評估」,中華水土保持學報,第43卷,第2期。
14.曾淑峰、林志弘、翁玉麟(2012)。「資料採礦應用:以SAS Enterprise Miner為工具」,台北市:梅霖文化事業有限公司。
15.翁秉瑞(2013)。「應用統計方法預測邊坡崩塌潛勢」,中興大學水土保持學系所學位論文。
16.賴哲儇、蔡富安、林岑彧、陳偉堯、林唐煌(2013)。「資料探勘技術於坡地崩塌之測試與潛勢評估」,航測及遙測學刊,第17卷,第2期。
17.陳婉君(2014)。「深淺層崩塌之衛星影像自動判釋及潛感分析-以力行產業道路為例」,中興大學土木工程學系所學位論文。
18.行政法人國家災害防救科技中心(2015)。「大規模崩塌災害防治行動綱領」。
19.張世光(2016)。「具有時空相關性類神經網路分類之研究─以崩塌地潛勢分析為例」,臺灣大學土木工程學研究所學位論文。
20.葉人豪(2017)。「南投縣力行產業道路崩塌潛感分析」,中興大學水土保持學系所學位論文。
21.陳冠吟(2017)。「決策樹、羅吉斯迴歸與類神經網路預測員工績效之比較研究」,國立中央大學人力資源管理研究所學位論文。
22.林詩穎(2018)。「陳有蘭溪流預崩塌潛感因子探討」,中興大學水土保持學系所學位論文。
23.陳柏安(2020)。「羅吉斯迴歸結合水力因子對不同集水區河岸崩塌潛勢預測之影響」,中興大學水土保持學系所學位論文。
24.陳禾(2020)。「應用基因演算法及機器學習於崩塌因子選取及潛勢評估模式之比較研究」,逢甲大學土木工程學系學位論文。
25.黃彥寧、葉昭憲(2020)。「山區道路崩塌潛勢模式之建構與評估-以阿里山公路為例」,中華水土保持學報,第51卷,第2期。
26.SAS Taiwan(2020)。「活學活用決策樹(一):運用SAS EM決策樹方法處理連續時間變數」,檢自:https://blogs.sas.com/content/sastaiwan (May.12,2021)。
27.SAS Taiwan(2020)。「活學活用決策樹(三):運用SAS EM決策樹進行CHAID及CART分析」,檢自:https://blogs.sas.com/content/sastaiwan (May.12,2021)。
28.SAS Taiwan(2020)。「活學活用類神經網路--如何運用SAS EM提升類神經網路模型的實用性(1) 」,檢自:https://blogs.sas.com/content/sastaiwan (May.12,2021)。
29.Guzzetti, F., A. Carrara, M. Car-dinali and P. Reichenbach (1999), Landslide hazard evaluation: a review of current techniques andtheir application in a multi-scale study, Central Italy, Geomor-phology, 31(1-4), 181-216.
30.Hui, S.C. and Jha, G. (2000), Data mining for customer service support, Information and Management, 38(1), 1-13.
31.Lee, S., & Min, K. (2001). Statistical analysis of landslide susceptibility at Yongin, Korea. Environmental Geology, 40(9), 1095–1113.
32.Dreiseitl, S., & Ohno-Machadob, L. (2002). Logistic regression and artificial neural network classification models: a methodology review. Journal of Biomedical Informatics, 35(5-6), 352-359.
33.Lee, S., Ryu, J, H., Min, K., & Won, J, S. (2003). Landslide susceptibility analysis using GIS and artificial neural network. Earth Surface Processes and Landforms, 28(12), 1361-1376.
34.Ohlmacher, G, C., & Davis, J, C. (2003). Using multiple logistic regression and GIS technology to predict landslide hazard in northeast Kansas, USA. Engineering Geology, 69(3–4), 331-343.
35.Ayalew, L., & Yamagishi, H. (2005). The application of GIS-based logistic regression for landslide susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan. Geomorphology, 65(1-2), 15-31.
36.Zekic-Susac, M., Sarlija, N., & Bensic, M. (2005). Small business credit scoring: a comparison of logistic regression, neural network, and decision tree models. 26th International Conference on Information Technology Interfaces, Croatia.
37.Pradhan, B., & Lee, S. (2009). Landslide risk analysis using artificial neural network model focussing on different training sites, International Journal of Physical Sciences, 4(1), 1-15.
38.Yilmaz, I. (2009). Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: A case study from Kat landslides (Tokat—Turkey). Computers & Geosciences, 35(6), 1125-1138.
39.Han, J. and Kamber, M. (2011) Data Mining: Concepts and Techniques. 3rd Edition, Morgan Kaufmann, Burlington.
40.Bui, D, T., Pradhan, B., Lofman, O., & Revhaug, I. (2012). Landslide Susceptibility Assessment in Vietnam Using Support Vector Machines, Decision Tree, and Naïve Bayes Models. Mathematical Problems in Engineering, 2012, 1973-1818.
41.Wang, L, J., Sawada, K., & Moriguchi, S. (2013). Landslide susceptibility analysis with logistic regression model based on FCM sampling strategy. Computers & Geosciences, 57, 81-92.
42.Dou, J., Yamagishi, H., Pourghasemi, H, R., Yunus, A, P., Song, X., Xu, Y., & Zhu, Z. (2015). An integrated artificial neural network model for the landslide susceptibility assessment of Osado Island, Japan. Nat Hazards, 78(3), 1749–1776.
43.Lee, S., & Sambath, T. (2006). Landslide susceptibility mapping in the Damrei Romel area, Cambodia using frequency ratio and logistic regression models. Environmental Geology, 50(6), 847–855.
44.Park, S, J., Lee, C, W., Lee, S., Lee, M, J. (2018). Landslide Susceptibility Mapping and Comparison Using Decision Tree Models: A Case Study of Jumunjin Area, Korea. Remote Sens, 10(10), 1545.
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊